0円のDeepSeek画像AIがOpus4.8を一部テストで抜いた

DeepSeek画像版は3050億パラメータ　MITで公開された

DeepSeekがテキストと画像の両方を扱えるマルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」を公開しました。既存のテキスト専用モデル「DeepSeek-V4-Flash」のアーキテクチャに視覚モジュールを組み込み、学習で画像理解の能力を加えています。

パラメータ数は約3050億。ライセンスはMITで商用利用や改変を含め誰でも無料で使えます。テキスト専用だった前バージョン「V4-Flash-0731」と比べても文章を扱う能力はそのままで、画像を読めるようになった分だけ守備範囲が広がりました。

一部のテストでOpus 4.8を上回った　テキスト性能も落ちない

ベンチマークの結果は一部でClaude Opus 4.8を上回りました。全体ではOpus 4.8に肉薄する水準です。テキスト専用タスクでは前バージョンと同等の成績を保ちながら、マルチモーダルエージェントとしての能力が上がっています。

unslothによる量子化版「DeepSeek-V4-Flash-Vision-Exp-GGUF」もHugging Faceで公開済みです。計算精度を意図的に下げることで必要なGPUメモリを減らしており、大型GPUがなくても試せるようになっています。

同じ週には国立情報学研究所が約90億パラメータの日本語視覚言語モデル「LLM-jp-4-VL 9B」を公開しました。DeepSeekほど大きくはないものの日本語に特化しており、画像を読めるオープンモデルの選択肢が国内外で同時に増えています。

MITで商用利用もできる　有料APIとの使い分けが変わる

MITライセンスなので改変も再配布も自由です。自社のサーバーに載せればデータを外に出さずに画像つきの処理を回せます。製品画像の自動分類や社内資料の読み取りなど、API従量課金の有料モデルから切り替えれば費用を固定化できます。

Opus 4.8と同水準のモデルが0円で手に入る以上、どの処理を有料APIに任せてどこをオープンモデルに切り替えるかを判断する場面が増えそうです。画像を大量に扱う業務ではAPIコストが積み上がるのを避けられるのは大きなメリットです。

量子化版も公開済み　Hugging Faceからすぐ試せる

モデルの重みはHugging Faceで配布されています。フルモデルは約3050億パラメータなので動かすには相応のGPUが要りますが、unslothの量子化版を使えば必要メモリを大きく減らせます。

まず量子化版で社内の画像を何枚か読ませて精度を確かめるのが最短のルートです。MITライセンスなのでテストから本番まで追加コストはかかりません。手元のGPUスペックと照らし合わせて量子化版で足りるかフルモデルが要るかを判断するのが最初のステップになります。